ICLR

Towards Expert Financial QA via Self-Improving RAG

面向专家级金融问答的自改进检索增强生成（RAG）

Junjie Xiong, Shawheen Ghezavat, Aum Hirpara

机构 * University of California, Berkeley（加州大学伯克利分校） ； California Polytechnic State University（加州州立理工大学） ； Hofstra University（霍夫斯特拉大学） 纠错

AI总结 该研究针对专家级金融问答的合规与防幻觉需求，提出自改进RAG框架，通过三个专门智能体及反馈自校正实现，在FinanceBench数据集上获86%神谕引导准确率，为金融监管应用提供可解释方案。

Comments 17 pages, 2 figures. Accepted at the ICLR 2026 Workshop on Advances in Financial AI

Diff Mining: Logit Differences Reveal Finetuning Objectives

Diff Mining：对数差揭示微调目标

Greg Kocher, Robert West, Clément Dumas, Julian Minder

机构 * EPFL（洛桑联邦理工学院） ； ENS Paris-Saclay（巴黎萨克雷高等师范学校） ； Université Paris-Saclay（巴黎萨克雷大学） ； MATS 纠错

AI总结 提出Diff Mining框架，通过对比微调模型与基础模型的对数来识别微调目标，在微调领域检测、偏见识别等任务上优于现有方法，可用于开发微调审计工具。

Comments 37 pages, 7 figures. ICLR 2026 Workshop: Principled Design for Trustworthy AI. Code available at this https URL (https://github.com/science-of-finetuning/diffing-toolkit)